DAIVA ŠVEIKAUSKIENĖ

Институт литовского языка

Области исследований: компьютерная лингвистика, создание синтаксических корпусов, уровни аннотирования.

ВЫСОКОКАЧЕСТВЕННЫЙ СИНТАКСИЧЕСКИ АННОТИРОВАННЫЙ КОРПУС ЛИТОВСКОГО ЯЗЫКА — VILSINTEKS

Высококачественный синтаксически аннотированный корпус литовского языка VILSINTEKS

АННОТИРОВАНИЕ

В статье представлена двухчастная система аннотирования, используемая для высококачественного аннотирования корпуса литовского языка. Исчерпывающая информация о предложении приводится в таблице, а синтаксическая структура предложения представлена на рисунке. Используется опыт работы с другими языками и учитываются специфические особенности литовского языка. Недостаточность древовидного представления синтаксической структуры литовских предложений демонстрируется на статистически аннотированных примерах. Также ясно подчёркивается цель создания аннотированного корпуса, содержащего исчерпывающую информацию. Приводятся примеры аннотированных предложений, отражающие специфические особенности литовского языка.

КЛЮЧЕВЫЕ СЛОВА: синтаксически аннотированный корпус; графическое представление синтаксической структуры; уровни аннотирования в корпусе литовского языка; недостаточность древовидного представления литовских предложений; цель создания синтаксически аннотированного корпуса.

АННОТАЦИЯ

В статье рассматривается двухуровневая аннотация, используемая для создания высококачественного аннотированного корпуса текстов на литовском языке. Подробная информация о предложении указывается в таблице, а синтаксическая структура предложения графически изображается. Используется опыт работы с другими языками с учетом специфических особенностей литовского языка. Недостаточность дерева при отображении синтаксической структуры литовских предложений демонстрируется статистически

252

Acta Linguistica Lithuanica ^LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

на основе примеров предложений, аннотированных методами. В статье также четко подчеркивается цель создания аннотированного корпуса, в котором будет собрана подробная информация. Приводятся примеры аннотированных предложений, отражающие специфические особенности литовского языка.

КЛЮЧЕВЫЕ СЛОВА: синтаксически аннотированный корпус, представление структуры предложения в виде графа, уровни аннотирования корпуса, недостаточность дерева при отображении литовских предложений, цель создания корпуса.

1. ВВЕДЕНИЕ

The first annotation of corpora was a part of speech tagging POST [Church 1988: 136]. Such annotation is found in the Penn Treebank. Later, other sentences, carrying the syntactic information, were introduced. They were represented by using various schemes [Atwell et al. 2000: 12]. In 2012 Köhler mentioned the following: “...there is no general standard as to how corpora should be structured and notated” [Köhler 2012: 32]. Therefore, the Lithuanian corpus VILSINTEKS is annotated, bearing in mind the specific features of the Lithuanian language – a large amount of inflexion and a free word order in a sentence.

Из двух основных типов представления синтаксической структуры — грамматики структуры составляющих и грамматики зависимостей — для литовского языка была выбрана последняя, поскольку «...грамматика зависимостей особенно привлекает изучающих языки с относительно свободным порядком слов...» [Kay, Gawron and Norvig 1994: 55].

The most common representation of the syntactic structure is a tree [Allen 1987: 41]. The name of the syntactically annotated corpus – treebank – is related to this term. The name of the Lithuanian treebank does not contain the word ‘tree’, because the syntactic structure of some Lithuanian sentences is represented by a graph with a cycle, that is, it does not meet the conditions established by the definition of a tree, as a tree is a connected acyclic graph [Swamy, Thulasiraman 1984: 33]. The acronym VILSINTEKS means VILniaus SINtaksinis TEKStynas – Vilnius syntactic corpus.

2. АННОТИРОВАНИЕ ЛИТОВСКОГО КОРПУСА

В последнее время много говорится и пишется о низком уровне компьютеризации литовского языка. Согласно данным META-NET

Straipsniai / Articles

253

DAIVA ŠVEIKAUSKIENĖ

проект, литовский язык относится к группе наименее компьютеризированных европейских языков [Vaišnienė, Zabarskaitė 2012: 35]. Программное обеспечение, созданное для других языков, не дает удовлетворительных результатов при применении к литовскому языку. Пора говорить не о низком уровне компьютеризации литовского языка, а о ее качестве. Поэтому стоит вновь обратиться к литовскому языку и попытаться создать собственное программное обеспечение для его компьютеризации, чтобы обеспечить высокое качество компьютеризации литовского языка.

Первые попытки синтаксической аннотации литовского корпуса были предприняты в 2013 году. Синтаксически аннотированный корпус VILSINTEKS был создан в Институте литовского языка в Вильнюсе. Мы стремимся предоставить как можно больше данных о предложении, особенно если это данные, необходимые в процессе перевода. Исчерпывающая информация представлена в Пражском корпусе зависимостей, в котором используется трехуровневая аннотация [Hajič 2000: 103]. Разместить больше уровней аннотации на одном изображении не удалось

РИСУНОК 1. Пример синтаксической структуры литовского предложения Jie gali būti kitokie – They can be different

254

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

Поэтому мы решили разделить представление информации на две части при работе с литовскими предложениями: таблицу, содержащую морфологическую, синтаксическую и семантическую информацию, и схему, на которой должна быть представлена синтаксическая структура.

Для литовских предложений используется граф с циклами, поскольку дерево не способно отразить всю синтаксическую информацию, содержащуюся в литовском предложении. Предикативное определение зависит от двух частей предложения: от подлежащего или дополнения и от сказуемого. Эти отношения выражены формально, и их нельзя игнорировать (подробнее см. Šveikauskienė 2005: 412).

На рисунке 1 показана синтаксическая структура предложения-заголовка. В нем есть предикатив, формально связанный с подлежащим и сказуемым; обе связи должны быть представлены посредством аннотирования корпуса.

РИСУНОК 2. Предложение, разобранное статистическим методом Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia (Who does not risk, that does not drink champagne but does not cry tearfully either) [Kapočiūtė, Nivre, Krupavičius 2013: 15]

РИСУНОК 3. Предложение, разобранное статистическим методом Bet štai pro medį, kuriame sėdėjau, praslinko didelis šešėlis (But here through the tree in which I sat passed a small shadow) [Kapočiūtė, Nivre, Krupavičius 2013: 15]

Straipsniai / Articles

255

DAIVA ŠVEIKAUSKIENĖ

Предикатив должен иметь окончание, согласующееся с подлежащим, и одновременно присоединяться к сказуемому; то есть он не является определением подлежащего.

Первые попытки синтаксической аннотации литовского корпуса показали, что программное обеспечение, созданное для других языков, не давало хороших результатов при обработке литовского языка. Около 1500 предложений были статистически аннотированы в Каунасском технологическом университете [Kapociūtė, Nivre, Krupavičius 2013: 12]. Представленные результаты показали недостаточность информации, скрытой в

РИСУНОК 4. Разобранное предложение VILSINTEKS Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia

256

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

РИСУНОК 5. Разобранное предложение VILSINTEKS Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis

Straipsniai / Articles

257

DAIVA ŠVEIKAUSKIENĖ

структуры предложений. На двух рисунках показаны два разобранных предложения, в обоих отсутствует очень важная информация. В первом предложении отсутствует стрелка между сказуемым negeria и подлежащим tas (рисунок 2).

Во втором предложении не показана связь согласования между двумя словами medį и kuriame, окончания которых согласуются (рисунок 3), хотя авторы той же статьи писали: «прилагательное, определяющее существительное, должно согласовываться с ним в РОДЕ, ЧИСЛЕ и ПАДЕЖЕ».

Слова medį и kuriame должны согласовываться в роде и числе, однако эта информация отсутствует в структуре предложения. Трудно согласиться с тем, что отношения между словами kuriame sėdėjau – in which I sat и pro medį – through the tree относятся к одному и тому же типу.

Эти предложения, аннотированные согласно методу, используемому в VILSINTEKS, показаны соответственно на рисунках 4 и 5.

3. СЛОИ АННОТАЦИИ В ТАБЛИЦЕ

Информация в таблице представлена в трёх видах:

Информация обо всём предложении,

Информация о словах в предложении,

Неграмматическая информация о словах и предложении.

3.1. Информация обо всём предложении

Информация обо всём предложении включает его код, то есть его позицию в корпусе, тип и характеристики. Характеристика предложения отражает его функцию в тексте, то есть является ли оно заголовком, указанием автора, подзаголовком или предложением основного текста. Тип предложения указывает на коммуникативную информацию, то есть является ли оно повествовательным, побудительным, вопросительным и т. д., а также на структурную информацию: личное, безличное, эллиптическое, простое, сложное предложение и т. д. [Ambrazas 1997: 573].

3.2. Информация о словах в предложении

Для каждого слова приводятся данные о его номере в предложении, морфологические данные (время, падеж, род и т. д.), лемма, данные о его лексической семантике,

258

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

синтаксическая функция, непосредственные синтаксические отношения с другими словами в предложении и глубинные падежи.

Поскольку порядок слов в литовском языке обычно не несёт синтаксической информации, особенности лексической семантики имеют очень большое значение для определения синтаксической функции слова. Существительное в винительном падеже со значением времени является обстоятельством, а без него — дополнением. Если в предложении встречаются два существительных в винительном падеже, особенности лексической семантики иногда оказываются единственным критерием, позволяющим определить синтаксическую функцию.

3.3. Неграмматическая информация о словах и предложении

В таблице приводится стилистическая информация о слове. Она помогает при переводе выбрать подходящий эквивалент слова в другом языке.

The antecedent of the pronoun is necessary. Mille, Wanner and Burga [2012: 5] describe coreferential structure, which links the pronoun with its antecedent in one sentence. The Lithuanian treebank provides the information about the antecedent of the pronoun if it is outside the sentence too. It is very important for translation because the gender of the noun (or pronoun accordingly) may differ in various languages. For example, the Lithuanian sentence Ji buvo graži has three translations into German. If it is “a girl”, the right translation is Es war schön. If it is “a cat” the right translation is Sie war schön, and if it is “a day”, the right translation is Er war schön. All three pronouns in Lithuanian are feminine because all three nouns are feminine, whereas in the case of the German language this pronoun has three different equivalents taking into consideration the noun it replaces.

В таблице указаны пропущенные слова в эллиптических предложениях и опущенное подлежащее, выраженное личным местоимением. В литовском языке это встречается очень часто. Его можно определить по окончанию глагола. Связка в именном сказуемом в настоящем времени также обычно опускается, поэтому в таблице указаны и эти пропущенные слова.

В таблице аббревиатуры представлены в полной форме.

В таблице числа дополнительно представлены цифрами, а числительные — числами, поскольку лексическое выражение чисел в разных языках может различаться.

Straipsniai / Articles

259

DAIVA ŠVEIKAUSKIENĖ

4. ТИПЫ ИНФОРМАЦИИ В СИНТАКСИЧЕСКОЙ СТРУКТУРЕ

На первом этапе синтаксического анализа предложение делится на именную группу, глагольную группу и знак конца предложения. В литовском языке свободный порядок слов, и иногда знак конца предложения — единственное средство определения типа предложения, то есть повествовательное оно или вопросительное, например, Tu šiandien laimėjai prizą. – You have won a prize today. и Tu šiandien laimėjai prizą? – Have you won a prize today?. На рисунке 6 показана синтаксическая структура вопросительного предложения. Перевод предложения выбирается в соответствии со знаком конца предложения. Кроме того, структура предложения представлена с использованием грамматики зависимостей. Главой группы подлежащего является подлежащее; ниже показаны слова, которые его расширяют, а главой группы сказуемого является сказуемое, подчинённые слова расположены под ним.

Другими двумя полями, которые очень важны для аннотирования литовского корпуса, являются тип синтаксических отношений между словами и семантически неразрешимые группы слов.

РИСУНОК 6. Синтаксическая структура вопросительного предложения Tu šiandien laimėjai prizą? – Have you won a prize today?

260

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

4.1. Тип синтаксической связи

В литовском языке имеется значительное количество флексий. Поэтому очень важно представлять информацию о типе синтаксических связей, поскольку они часто выражаются окончаниями слов. В литовском языке выделяются три типа синтаксических отношений: взаимозависимость между подлежащим и сказуемым, сочинительная связь между двумя или более словами, имеющими равный синтаксический статус в предложении, и подчинительная связь между двумя словами, при которой одно определяет окончание другого. Подчинительная связь подразделяется на управление, согласование и примыкание [Ambrazas 1997: 478]. Каждый тип синтаксической связи отображается в структуре отдельным цветом. Взаимозависимость представлена сиреневой двунаправленной стрелкой, поскольку оба слова определяют форму друг друга; сочинительная связь — жёлтой линией без направления, поскольку слова не влияют на форму друг друга; управление — синей однонаправленной мелкопунктирной стрелкой; согласование — красной однонаправленной стрелкой; примыкание — зелёной однонаправленной крупнопунктирной стрелкой. Предлоги, союзы и знаки препинания представлены в виде подписей к стрелкам между словами. На рисунке 7 показан пример предложения с союзом.

РИСУНОК 7. Синтаксическая структура предложения с союзом Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Через поля, леса и холмы приходит солнечная осень.

Straipsniai / Articles

261

DAIVA ŠVEIKAUSKIENĖ

4.2. Семантически неразложимые группы слов

Семантически неразложимая группа слов — это словосочетание, в котором одно слово может расширять другое только при условии, что они употребляются вместе, а зависимое слово может расширять только всю группу. Отношение отдельного слова из этой группы к расширяющему его слову не имеет смысла. Мельчук описывает подобный случай, наблюдаемый в русском языке [Mel’chuk 2006: 37]. Неразложимая группа слов помещается в одну рамку, внутри которой отображаются синтаксические связи. На рисунке 8 показана синтаксическая структура предложения с неразложимой группой слов: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Фермер, владеющий пятью тысячами акров земли, дёшево продаёт свежие овощи. Глагол valdyti – ‘владеть’ в литовском языке является переходным и требует винительного падежа, поэтому слово tūkstančius–‘тысяча’ стоит в винительном падеже. Числительные в литовском языке требуют родительного падежа, поэтому слово hektarų–‘акр’ стоит в родительном падеже. Фермер семантически владеет не «тысячей», хотя слово тысяча стоит в падеже, определяемом причастием valdantis–‘владеющий’. Он владеет акрами, то есть словом в родительном падеже — падеже, определяемом числительным тысяча. Следовательно, группа слов tūkstančius hektarų ‘-тысяча акров’ семантически неразложима, поэтому оба слова помещаются в одну рамку в синтаксической структуре предложения. Слово пять является определением слова тысяча, поэтому оно помещается в ту же рамку. Несогласованное определение žemės – ‘земли’ расширяет всю рамку, то есть всю группу слов, находящуюся в рамке, и может быть заменено другими несогласованными определениями, например: пять тысяч акров леса. Таким образом, семантически неразложимая группа слов рассматривается как одна лексическая единица.

Сочетания числительных (пять и тысяча) имеют двойные синтаксические отношения: согласование и управление. Падеж слова «тысяча» (окончание которого определяется управлением глагола) определяет окончание слова «пять» — окончания должны согласовываться (jis valdo penkis tūkstančius hektarų – он владеет пятью тысячами акров, но penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – он использовал 10 тонн удобрений для пяти тысяч акров), а лексема «пять» управляет словом «тысяча», то есть требует от него определённого окончания. Например, в словосочетаниях он владеет пятью тысячами акров (jis valdo penkis tūkstančius hektarų) и он владеет двадцатью тысячами акров (jis valdo dvidešimt tūkstančių hektarų) слово «тысяча» в литовском языке имеет разные окончания. Поэтому очень важно точно отображать все типы синтаксических связей.

262

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

РИСУНОК 8. Синтаксическая структура предложения с семантически неразложимой группой слов Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Фермер, владеющий пятью тысячами акров земли, дёшево продаёт свежие овощи)

5. ЦЕЛИ АННОТИРОВАНИЯ

Статистический метод обработки естественного языка, особенно используемый в машинном переводе, не даёт удовлетворительных результатов для литовского языка. Статистический синтаксический анализ также не предоставляет исчерпывающей информации. Кроме того, программное обеспечение, созданное для других языков, не обеспечивает достаточных результатов для литовского языка. В. Даударавичюс долго занимался автоматическим синтаксическим анализом литовского языка и писал: «Наивно полагать, что методы, успешно применяемые к английскому языку, подходят и для других языков». [Daudaravičius 2012: 3].

Цель VILSINTEKS — собрать надёжную и исчерпывающую информацию о грамматике литовского языка на практике. Благодаря высококачественному автоматическому синтаксическому анализу, созданному с применением нестатистического подхода, нестатистически

Straipsniai / Articles

263

DAIVA ŠVEIKAUSKIENĖ

системы машинного перевода на основе машинного обучения становятся возможными, особенно при генерации литовских предложений.

VILSINTEKS стремится отразить специфические особенности литовского языка. Исчерпывающая информация о литовских предложениях будет представлена в наглядной форме для общего использования. Аннотированный корпус будет находиться в свободном доступе в Интернете. В настоящее время примеры предложений с заданным словом можно получить с помощью текстового корпуса, созданного в Университете Витаутаса Великого. VILSINTEKS будет предоставлять примеры синтаксической структуры с заданными признаками, например простое предложение с местоимением в роли подлежащего, а также другие примеры. Применение корпуса русского языка описывается аналогичным образом: его можно использовать в режиме поиска примеров, иллюстрирующих заданное языковое явление [НКРЯ –National Corpus of the Russian Language]

Первые 500–1000 предложений из корпуса современного литовского языка (публицистика), насчитывающего 2 миллиона слов, будут аннотированы вручную. Позднее аннотирование станет полуавтоматическим. Созданный таким образом автоматический синтаксический анализ литовского языка будет использоваться для аннотирования с последующей проверкой человеком.

В процессе аннотирования программное обеспечение будет совершенствоваться с учетом выявленных ошибок. Важнейшая задача — подготовить хорошо функционирующий автоматический синтаксический анализ литовского языка, который можно будет использовать при создании системы машинного перевода методом трансфера. При использовании метода TRANSFER вторым этапом является синтаксический анализ. Можно ожидать, что синтаксическая аннотация корпуса будет способствовать совершенствованию автоматического синтаксического анализа.

Для аннотирования используются таблицы Excel, поскольку они обеспечивают наглядное представление, а из таблиц Excel легко получить формат XML. Информация VILSINTEX также будет находиться в свободном доступе в формате XML. Таким образом, ее можно использовать для статистических исследований литовского языка и для поиска сведений о грамматике литовского языка, а также в других целях.

6. ВЫВОДЫ

Для представления синтаксической структуры литовских предложений используется граф, поскольку дерево не может отразить всю синтаксическую информацию, содержащуюся в литовском предложении. Два примера статистической аннотации демонстрируют недостаточность дерева для представления синтаксической структуры литовских предложений.

Для литовского корпуса используется двойная аннотация: в таблице описывается исчерпывающая информация о предложении и его словах, а синтаксическая структура предложения представляется в виде рисунка.

264

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

В таблице представлены сведения трёх типов: информация обо всём предложении (вопросительное, эллиптическое, безличное); информация о каждом слове предложения (морфологические, синтаксические и семантические данные); а также неграмматическая информация (пропущенные слова в эллиптических предложениях, антецедент местоимения внутри предложения и за его пределами, выражение числительного числом и наоборот, полные словесные соответствия акронимов).

На первом этапе синтаксическая структура литовского предложения делится на три части: группу подлежащего, группу сказуемого и конечный знак предложения. Последний особенно важен, поскольку в некоторых случаях он является единственным критерием, позволяющим определить тип предложения (повествовательное или вопросительное).

Синтаксические отношения в синтаксической структуре предложения обозначаются разными цветами и типами линий в зависимости от вида отношений.

Семантически неразрешимые группы слов помещаются в один блок, внутри которого представлены синтаксические отношения.

Цель VILSINTEKS — предоставить исчерпывающую и достоверную информацию о литовских предложениях. Корпус можно использовать для статистических исследований литовского языка и поиска информации о грамматике литовского языка. Он также может быть полезен при создании нестатистической системы машинного перевода.

VILSINTEKS призван собирать сведения о грамматике литовского языка на практике.

Первые предложения размечаются вручную. Позднее разметка будет выполняться полуавтоматически. Для разметки используются таблицы Excel, поскольку они наглядно представляют данные для пользователя, а размеченный корпус будет свободно доступен в Интернете. Из таблиц Excel легко получить формат XML. Информация VILSINTEKS также будет свободно доступна в формате XML. Таким образом, информацию VILSINTEKS можно использовать для статистических исследований литовского языка и поиска сведений о грамматике литовского языка.

REFERENCES

Allen James 1987: Natural Language Understanding. Amsterdam: The Benjamin/Cummings Publishing Company.

Ambrazas Vytautas 1997: Dabartinės lietuvių kalbos gramatika. Vilnius: Mokslo ir enciklopedijų leidybos institutas.

Straipsniai / Articles

265

DAIVA ŠVEIKAUSKIENĖ

Atwell Eric, Demetriou George, Hughes John, Schiffrin Amanda, Souter Clive and Wolcock Sean 2000: Comparing linguistic interpretation schemes for English corpora. – ICAME 24, 7–24.

Church Kenneth Ward 1988: A Stochastic Parts Program and Noun Phrase Parser for Unrestricted Text. – ANLC ‘88: Proceedings of the second conference on Applied natural language processing. Association for Computational Linguistics Stroudsburg, PA, 136–143.

Daudaravičius Vidas 2012: Teksto skaidymas pastoviųjų junginių segmentais. Daktaro disertacijos santrauka. Kaunas: Vytauto Didžiojo universitetas.

Hajič Jan, Böhmová Alena, Hajičová Eva and Hladká Barbora Vidová 2000: The Prague Dependency Treebank: A Three-Level Annotation Scenario. – Treebanks: Building and Using Parsed Corpora, ed. by A. Abeillé. Amsterdam: Kluwer, 103–127.

Kay Martin, Gawron Mark, J. and Norvig Peter 1994: Verbmobil: A Translation System for Face-to-Face Dialog. Stanford: CSLI.

Kapočiūtė-Dzikienė Jurgita, Krupavičius Algis, Nivre Joakim 2013: Lithuanian Dependency Parsing with Rich Morphological Features. – Proceedings of the Fourth Workshop on Statistical Parsing of Morphologically Rich Languages. Seattle, Washington, USA, 18 October, 12–21.

Köhler Reinhard 2012: Quantitative Syntax Analysis. – Quantitative linguistics 65, ed. by Reinhard Köhler, Gabriel Altmann, Peter Grzybek. De Gruyter Mouton.

Mille Simon, Wanner Leo and Burga Alicia 2012: Treebank Annotation in the Light of the Meaning-Text Theory. – Linguistic Issues in Language Theory 7(16), 1–12.

Swamy M.N.S, Thulasiraman K. 1981: Graphs, Networks, and Algorithms. New York, Chichester Toronto: Willey Interscience publication.

Šveikauskienė Daiva 2005: Graph Representation of the Syntactic Structure of the Lithuanian Sentence. – Informatica 16(3), 407–418.

Vaišnienė Daiva, Zabarskaitė Jolanta 2012: The Lithuanian Language in the digital age. – META-NET White paper series, ed. by Georg Rehm, Hans Uszkoreit. Berlin, Heidelberg: Springer-Verlag.

НКРЯ – Национальный корпус русского языка 2003–2013. Prieiga internete: http://www.ruscorpora.ru/corpora-usage.html

266

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

Aukštos kokybės sintaksiškai anot uotas lietuvių kalbos tekstynas VILSINTEKS

SANTRAUKA

Pastaruoju metu labai daug kalbama ir rašoma apie tai, kad lietuvių kalba mažai kompiuterizuota. Perkama kitoms kalboms sukurta programinė įranga, kuri lietuvių kalbos atveju dažniausiai neduoda patenkinamų rezultatų. Jau atėjo metas, kai reikia pradėti aptarti lietuvių kalbos kompiuterizavimo kokybę, užuot kalbėjus apie menką jos kompiuterizavimą.

Straipsnyje aprašomas aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas, kuriame pateikta patikima informacija. Anotavimas atliekamas dviem lygmenimis: išsami informacija apie sakinį nurodoma lentelėje ir sintaksinė struktūra nubraižoma grafiškai. Anotuojant didelis dėmesys skiriamas sintaksinių ryšių vaizdavimui. Jie parodomi skirtingų spalvų ir tipų linijomis. Straipsnyje aprašomi neskaidomi žodžių junginiai – tai žodžių grupės, kurios tik kartu gali išplėsti kitą žodį, ir tik visą grupę gali pažymėti ją išplečiantis žodis. Kitų sakinio žodžių ryšys su vienu iš neskaidomo junginio dėmenų neturi prasmės. Struktūroje neskaidomi junginiai sudedami į vieną bloką parodant vidinius sintaksinius ryšius. Straipsnyje pateikiami sintaksiškai anotuotų sakinių pavyzdžiai. Sakinio struktūrai vaizduoti naudojamas grafas, nes medis, kuris sėkmingai taikomas anglų kalbos sakinių struktūrai, negali atspindėti visos sintaksinės informacijos, esančios lietuviškame sakinyje. Tai labai gerai matyti statistiniu metodu anotuotų sakinių pavyzdžiuose, kurie pateikiami šiame straipsnyje. Parodomos dviejų sakinių struktūros, kuriose trūksta labai svarbios informacijos: vienoje neparodytas sintaksinis ryšys tarp veiksnio ir tarinio, kitoje nėra ryšio tarp žodžių, kurie derinami skaičiumi ir gimine. Palyginimui straipsnyje pateikiami šie sakiniai, anotuoti ir VILSINTEKS naudojamu metodu.

Pradėto kurti tekstyno tikslas – sukaupti išsamią ir patikimą informaciją apie lietuvių kalbos gramatiką, atliekant sakinio analizę be klaidų, t. y. kai kompiuterio darbo rezultatus dar peržiūri žmogus. Anotuotas tekstynas bus viešai prieinamas internete. Kaip dabar iš VDU tekstyno galima gauti pateikto žodžio pavartojimo pavyzdžius, taip VILSINTEKS tinklapyje bus galima gauti sintaksinių struktūrų, kurios turi tam tikrų požymių – pavyzdžiui, vientisinių sakinių, kuriuose veiksniu eina įvardis ir pan., – pavyzdžių.

Anotuojant naudojamos Excel lentelės, nes jos leidžia vaizdžiai pateikti sakinio struktūrą ir lengvai pertvarkyti informaciją į XML formatą, kuris plačiai taikomas paieškai. Taigi anotuotą tekstyną bus galima panaudoti statistiniams lietuvių kalbos tyrimams, taip pat informacijai apie lietuvių kalbos gramatiką išgauti ir kt.

Įteikta 2013 m. spalio 28 d.

DAIVA ŠVEIKAUSKIENĖ

Lietuvių kalbos institutas

Petro Vileišio g. 5-216, LT-10308 Vilnius, Lietuva

[email protected]

Straipsniai / Articles

267